本期2024提出的优化算法--角蜥优化算法Horned Lizard Optimization Algorithm，HLOA，该成果于2024年2月发表在中科院2区top SCI期刊 Artificial Intelligence Review。

本期介绍了HLOA，一种新的元启发式优化算法，它在数学上模拟了Crypsis、皮肤变暗或变亮、喷血和移动逃跑防御方法。在Crypsis行为中，蜥蜴通过变得半透明来改变颜色，以避免被捕食者发现。角蜥蜴可以变亮或变暗皮肤，这取决于它是否需要减少或增加其太阳热增益。皮肤变暗或变亮策略是通过包括刺激性激素黑色素细胞率（ -MHS）影响这些肤色变化。此外，还从数学上描述了移动到逃避策略。角蜥蜴的射击血液防御机制，被描述为弹丸运动，也被建模。这些策略平衡了在解空间上局部和全局搜索的开发和探索机制。HLOA性能以文献中的63个优化问题、IEEE CEC-2017“约束实参数优化”中提供的测试台问题、10、30、50和100维度的分析以及IEEE CEC-06 2019“100位挑战”中的测试台函数为基准。此外，还研究了来自IEEE CEC2020的三个真实世界约束优化应用程序和两个工程问题，多重重力辅助优化和最优潮流问题。Wilcoxon和Friedman统计测试将HLOA算法结果与最近的十个仿生算法进行了比较。Wilcoxon表明，HLOA比竞争算法更有效地为大多数testbench函数提供了最优解，同时，Friedman统计检验将HLOA排在首位，n维分析表明它在50和100维的约束优化问题上表现更好。